prompt engineering | Méthodologie de prompt engineering pour SEO
Fondamentaux du prompt engineering : Un prompt est l’instruction que l’on donne à un LLM
(Transformer) pour guider sa génération de texte . Une consigne bien structurée, claire et concise
est cruciale : elle doit définir le rôle du modèle, le ton, le format attendu et le contexte de la tâche
. Par exemple, on précisera explicitement l’intention (« vous êtes un expert SEO », « écris comme
une FAQ ») et on fournira le contexte nécessaire (audience cible, mots-clés, données d’entrée). Dans la
pratique, on combine souvent : ( téléchargez votre guide du prompt engineering gratuitement )
- Zero-shot vs Few-shot : En zero-shot, on pose la question sans exemple; en few-shot, on inclut
quelques exemples dans le prompt pour implicitement montrer le format souhaité . Les exemples
servent d’« instructions implicites » lorsque l’on évite d’expliciter verbalement chaque détail . - Chaîne de réflexion (chain-of-thought) : Cette technique incite le modèle à raisonner pas à pas en
décomposant la tâche (utile pour les problèmes complexes ou calculs) . Par exemple, on peut
demander au modèle de décrire la démarche de résolution étape par étape, puis de fournir la réponse
finale. - Itération et affinage : On itère sur le prompt pour optimiser la pertinence. IBM insiste sur
l’expérimentation et l’affinage itératif : tester des variantes de prompts et ajouter du contexte jusqu’à
obtenir la réponse attendue .
Dans tous les cas, on veillera à détailler : (1) Instructions précises (tâche, style, format, sortie
attendue) ; (2) Contexte et contraintes (public cible, ton, sources à utiliser) ; (3) Données d’entrée
éventuelles (extrait de texte, liste, tableau) ; (4) Indicateurs de sortie (longueur, balises HTML, plan,
FAQ, JSON…) . Ces quatre éléments clés – consignes, contexte, données, format – garantissent un
prompt efficace et reproductible. attention a votre géolocalisation une recherche sur paris est differente d’une recherche sur Marseille
prompt engineering | Adapter le prompt selon le type de LLM
Les différents LLM (ChatGPT/GPT, Claude, Gemini/PaLM, etc.) ont des caractéristiques techniques et des
modes d’accès qui influencent la stratégie de prompt :
GPT (OpenAI) : Les versions récentes (GPT-4.1 API) offrent un fenêtre de contexte immense
(jusqu’à 1 million de tokens ). Ces modèles sont auto-régressifs, basés sur l’attention multitêtes,
et génèrent token par token avec des paramètres de sampling (temperature, top-k/top-p).
Ils peuvent être connectés à des outils externes (browsing, plugins) pour intégrer des données
récentes. On peut aussi affiner (fine-tuning) ou ajuster le prompt pour la calibration. GPT-4.1
promet une meilleure compréhension du long contexte et une moindre dilution de l’information
dans les prompts étendus .
Claude (Anthropic) : Claude 3 propose une fenêtre de contexte de 200K tokens, extensible à
plus de 1M pour certains clients . Il est optimisé pour la sécurité et la cohérence : il produit
moins de refus inutiles et a fortement réduit les erreurs factuelles par rapport aux versions
précédentes . Claude excelle dans le traitement de longs documents structurés et suit bien
les instructions complexes (multi-étapes), y compris en respectant une voix de marque ou des
consignes de format (sortie JSON, listes, etc.) . Pour ces raisons, on lui fournit des prompts
très structurés (sections claires, balises JSON), et on mise sur la richesse de ses sorties pour la
fiabilité.
Gemini / PaLM (Google) : Les modèles Gemini (successeurs de PaLM) sont conçus pour des
contextes très larges (jusqu’à 1M de tokens dès Gemini 1.5 Pro) . Ils intègrent fortement les
données du Web et du Knowledge Graph de Google. Ainsi, pour optimiser un prompt, on suivra
en gros les bonnes pratiques SEO Google : contenu à jour, mobile-friendly, technique
irréprochable. Gemini peut aussi traiter des inputs multimodaux (texte, images, etc.) mais pour
le texte, l’avantage est de pouvoir envoyer la totalité d’un document ou de multiples pages dans
le prompt . Avec 1M de tokens, on peut directement fournir de longs contenus, réduisant le
besoin de RAG ou de découpage . En pratique, on lui donne le maximum d’information
d’emblée (par exemple la totalité d’un article ou JSON-LD complet) pour tirer parti du large
contexte.
Autres modèles (Perplexity, Llama, etc.) : Par exemple, Perplexity.ai est un moteur LLM à jour,
sensible aux citations et mises à jour fréquentes. Des LLM open-source (Llama, Mistral) existent
aussi ; leur entraînement est moins lié au SEO, mais on adapte le prompt en fournissant un
contexte solide. En général, plus un modèle est petit ou spécialisé, plus on doit guider
précisément son prompt (keywords, format exact).
Chacun de ces modèles peut halluciner si le prompt est vague. Pour limiter cela, on précise toujours
clairement la consigne (ex. « Cite des sources réputées dans la réponse ») et on utilise des mécanismes
de RAG (cf. plus bas) ou des exemples pour ancrer la réponse dans la réalité. Les capacités en tokens
sont donc un facteur clé : elles déterminent la quantité d’information qu’on peut envoyer en contexte, et
influencent la stratégie (ex. fractionner un texte ou non).
Bonnes pratiques de prompt optimisé SEO/GEO
Pour la rédaction SEO/GEO, on applique des techniques spécifiques dans le prompt et dans la structure
du contenu généré :
Structuration sémantique (HTML & schémas) : Utiliser des balises sémantiques dans le
contenu (h1, h2, paragraphes, listes ) aide les moteurs IA à comprendre la hiérarchie. On
formulera souvent des titres de section sous forme de questions (Q/A). Par exemple, remplacer
« Les accessoires pour sac à dos » par « Quels accessoires sont essentiels pour un sac à dos
professionnel ? » et y répondre clairement . Intégrer un schéma FAQ (JSON-LD) ou un
balisage « Question-Réponse » structure l’information pour l’IA . Les listes à puces et
tableaux dans le contenu aident également à mettre en avant les points clés .
Contenu orienté intention de recherche : Les moteurs IA cherchent des réponses directes aux
questions utilisateurs. On doit donc « être la réponse » à l’intention recherchée . Par exemple,
si l’intention est commerciale (« acheter sac à dos »), le prompt demandera de rédiger un texte
mettant en avant les bénéfices et un appel à l’action. Si c’est informationnel, on orientera le
contenu pour couvrir un maximum de questions fréquentes. Une technique est de formuler le
texte en FAQ ou en rubriques claires : « FAQ : Comment choisir un sac à dos professionnel ? …»
etc. Cela maximise l’apparition du contenu dans les réponses IA.
Critères E-E-A-T (Expérience, Expertise, Autorité, Fiabilité) : Le contenu doit refléter l’expertise
et la fiabilité. On incite l’IA à citer des statistiques pertinentes, des citations d’experts ou des
exemples concrets . Intégrer des références à des sources reconnues renforce l’autorité. Par
exemple, un prompt SEO peut inclure « Inclure au moins une statistique chiffrée provenant d’un
article scientifique et mentionner la source. » Cela encourage la création d’un contenu conforme
aux critères Google E-E-A-T. Les résultats montrent qu’ajouter des données chiffrées et
citations augmente jusqu’à 40 % la visibilité en GEO .
Optimisation technique SEO commune : Comme en SEO classique, on veillera à insérer
naturellement les mots-clés dans le prompt (« insérer le mot-clé [X] dans le titre et au moins 3
fois dans le texte »), et à mentionner la méta-structure souhaitée (meta-titres, descriptions). Par
exemple, pour une méta-description on précisera : « écrire une meta-description de 1
caractères incluant les mots-clés [X] et [Y], destinée à [audience] et incitant à cliquer » . Les
balises techniques (sitemap, données structurées JSON-LD) doivent être présentes sur le site luimême,
mais on peut instruire l’IA de respecter leur contenu dans la génération.
Langage et style adapté : On privilégie un ton conversationnel et clair, comme si l’IA s’adressait
directement à l’utilisateur final . Un style engageant et simple rend le texte plus pertinent
pour les modèles GPT (qui imitent souvent un style de chat). De plus, on ajuste la longueur et le
format : indiquer « Ecrire un paragraphe de 150 mots en 3 phrases maximum » ou « un résumé à
puces de 100 mots » permet d’obtenir des réponses focalisées.
En résumé, un prompt SEO/GEO performant combine consignes SEO classiques (balises, mots-clés, E-EA-
T) et formatage destiné à l’IA (questions explicites, listes, schémas FAQ, JSON-LD dans la page) .
Leviers techniques pour maximiser la factualité et la pertinence
RAG (Retrieval-Augmented Generation) : C’est l’architecture qui combine un LLM avec un
système de recherche de documents externes. Concrètement, on encode le prompt en
embeddings, on retrouve des passages pertinents dans une base de connaissance, puis on donne
ces passages au LLM pour qu’il génère la réponse. Cette approche « grounded » améliore la
précision et la fraîcheur des réponses . Par exemple, Google AI Overviews utilise RAG pour
fournir des réponses plus à jour qu’un modèle figé sur 2021 . Pour l’utilisateur, cela signifie
qu’on peut intégrer dans le prompt des éléments récupérés via RAG (extraits d’articles, données
internes) afin de guider l’IA vers des informations fiables. On peut aussi demander explicitement
au LLM de citer ses sources.
Fragments à privilégier (« fraggles ») : Les moteurs IA (e.g. Google AI Overviews) sélectionnent
souvent de courts fragments de texte (« fraggles ») pour répondre. Il est donc judicieux de
structurer le contenu en répondant directement à une question dans une phrase ou un
paragraphe dédié. Par exemple, au lieu de rédiger un long paragraphe continu, on peut créer un
paragraphe par question-clé. Ainsi, lorsqu’un moteur récupère un fragment du texte, il contient
toute la réponse en un coup d’oeil .
Embeddings sémantiques : On peut également utiliser des bases de vecteurs (databases
d’embeddings) pour permettre au LLM de retrouver du contenu pertinent via similarité
sémantique. Par exemple, si l’on gère un knowledge base interne, on crée un index
d’embeddings et on configure un RAG pour que le prompt soit enrichi automatiquement des
passages les plus proches du besoin.
Données structurées (JSON-LD) : Il faut veiller à ce que le contenu structuré (schémas
schema.org) soit accessible aux crawlers IA. Par exemple, GPTBot, ClaudeBot ou PerplexityBot ne
peuvent pas exécuter de JavaScript et ne verront pas les JSON-LD injectés via Google Tag
Manager . Il est donc recommandé d’inclure le JSON-LD directement dans le HTML statique
(SSR) . Cela aide les moteurs IA à extraire automatiquement les informations
(évènements, produits, emplacements, FAQ) depuis votre page.
Knowledge Graphs et plugins IA : Enfin, certains LLM modernes peuvent exploiter des
connaissances en graphe (p.ex. Google connaît son propre Knowledge Graph) ou des plugins
(ChatGPT avec Bing, Perplexity avec son Index). Lors du prompt engineering, on peut formuler le
prompt pour inciter ces fonctionnalités : par exemple, « utilise des données du Knowledge Graph
pour… » ou « applique le schéma JSON-LD suivant » dans le prompt.
Ces leviers techniques sont complémentaires : RAG et embeddings assurent la mise à jour et la véracité,
tandis que les données structurées (schémas JSON-LD) améliorent la compréhension du contenu par les
moteurs IA .
Exemples de canevas de prompts par intention de recherche
Usage informatif – Exemple de prompt :
« Rédige un article de blog sur [sujet spécifique], destiné aux [audience cible] cherchant
des informations. Structure le contenu en sections (avec balises) et formulées sous forme de questions fréquentes. Chaque question doit être suivie d’une réponse détaillée. Inclure des statistiques récentes et citer au moins deux sources
fiables. Adapté SEO : insérer le mot-clé « [sujet clé] » dans le titre et plusieurs fois dans le texte. »
Ce canevas incite l’IA à créer un contenu riche et structuré pour répondre
précisément aux besoins informationnels, tout en respectant les règles SEO de
balisage et d’intégration de mots-clés.
Usage transactionnel – Exemple de prompt :
« Tu es un expert marketing. Rédige la fiche produit pour [produit/service] en mettant
en avant ses fonctionnalités clés et avantages, avec un ton persuasif. Commence par
une accroche engageante (phrase courte). Utilise des puces pour lister 5
caractéristiques principales. Termine par un call-to-action clair (« Achetez maintenant »
ou équivalent). Assure-toi d’inclure les mots-clés « [sujet du produit] » et « [terme
connexe] » de façon naturelle. »
Ce template permet de générer un texte transactionnel optimisé (description
produit ou page catégorie), en donnant au LLM toutes les consignes de style,
d’éléments à lister, et en précisant l’objectif de conversion.
Usage navigationnel – Exemple de prompt :
« Imagine que tu es un assistant virtuel. L’utilisateur cherche [intention ou mot-clé] sur
notre site. Propose-lui un chemin de navigation pour trouver l’information : liste les
pages pertinentes (titre + bref descriptif) en ordre de priorité. Par exemple : 1) Page
d’accueil -> section « X », 2) FAQ -> question « Y », 3) Blog -> article « Z », etc. »
Ce canevas force l’IA à organiser l’architecture de l’information ou à simuler une
réponse de type « menu du site », utile pour guider un internaute ou pour tester la
cohérence du site.
Ces exemples de prompts sont réutilisables et ajustables : on remplace simplement les éléments entre
crochets [ ] pour coller au contexte métier ou à l’intention précise. En formation interne, on peut
conserver ces modèles comme base et les adapter (langue, domaine, audience).
Cas d’usage concrets
Création de contenu optimisé SEO : Par exemple, un rédacteur IA peut utiliser le prompt
informatif pour générer rapidement un brouillon d’article de blog, incluant plan, sections FAQ, et
sources. Ce contenu sera presque prêt pour la publication après relecture. On pourra demander
au modèle d’ajouter des balises HTML sémantiques ou un schéma JSON-LD (article, FAQ).
Référencement local : Pour un commerce de proximité, on utilisera un prompt transactionnel et
informatif orienté « SEO local ». Ex. : « Rédige le contenu d’une page localisée pour la [pizza
artisanale] de [ville]. Mentionne le quartier, les ingrédients clés, le nom de la ville/arrondissement 3
fois, et inclue le schéma JSON-LD [LocalBusiness] adapté. ». Cela donne un texte optimisé pour les
recherches locales sur les moteurs IA et classiques.
Visibilité dans les moteurs IA (GEO) : On teste comment notre contenu apparaît dans ChatGPT
ou Bard. Par exemple, on peut sonder ChatGPT : « Parle-moi des meilleures pizzerias à [ville] et cite
tes sources. » pour voir si notre site est mentionné. Si non, on ajuste le prompt de génération de
page pour contenir les mots-clés et Q/A pertinents (ex. format FAQ) afin de maximiser les
chances d’être intégré dans la réponse IA . Des outils comme Mangools AI Search Grader
permettent de simuler ces requêtes AI .
Structuration de bases de connaissances : Pour un usage B2B ou interne, on peut créer un
knowledge base et alimenter l’IA avec du RAG. Par exemple, on fournit des documents techniques
(en français et autres langues) et on construit un index. Le prompt peut alors inclure : « Cidessous,
tu trouveras une documentation technique. Réponds à la question [X] en t’appuyant
uniquement sur ce document, et cite les références internes. » Cela garantit cohérence et
actualité de la réponse, évitant l’« hallucination ».
Dans chaque cas, on garde à l’esprit la capacité du modèle : si le prompt+texte dépasse la limite de
tokens (e.g. 32K pour certains modèles), on scinde le prompt (summarisation ou RAG). On vérifie aussi
la factualité – l’IA peut halluciner des faits, donc on ajoute souvent « Si tu ne connais pas la réponse,
admet-le » pour limiter les erreurs. Enfin, on favorise des formats aisément réutilisables (FAQ, JSON,
liste) pour que le contenu généré puisse être aisément « relu par l’IA » ou intégré dans d’autres
systèmes (SERP IA, chatbots, agents).
Points clés et recommandations
Respecter les limites techniques : Vérifiez toujours la taille du prompt plus réponse par rapport
à la fenêtre du modèle (par ex. GPT‑4.1 ou Gemini ~1 M token , Claude-3 ~200 K ). Au
besoin, faites du chunking ou du RAG pour inclure de grandes sources.
Éviter l’ambiguïté : Un prompt trop vague produit souvent des réponses hors-sujet ou
inventées. Soyez précis dans le rôle attribué au modèle et les consignes de structure . Par
exemple, demander explicitement « écris un paragraphe en citant des sources » réduit la
désinformation.
Structure pour l’IA : Le contenu doit être facilement « consommable » par des moteurs AI. Les
listes, les questions-réponses et les données structurées (JSON-LD) permettent une meilleure
reprise dans les réponses générées . Concevez le prompt comme un gabarit qui donne
cette structure à l’IA.
Limiter l’hallucination : Utilisez la RAG pour ancrer l’IA à des documents réels . Par exemple,
en fournissant des extraits pertinents dans le prompt, on se rapproche d’une citation directe. De
même, inclure des faits chiffrés ou citations d’experts dans le prompt augmente la fiabilité de la
réponse finale .
Tester et itérer : Comme le recommande Clearscope, il est crucial de tester le même prompt
avec différents modèles ou variantes. Si la première réponse n’est pas satisfaisante, réessayez en
ajustant le contexte ou la formulation . Parfois, un autre modèle (Claude vs GPT vs Gemini)
donnera un résultat plus pertinent pour votre cas.
Multilinguisme et GEO : Pour des usages multilingues, traduisez ou reformulez le prompt dans
la langue cible. Gardez la logique SEO (mots-clés locaux, balises adaptées). Pour le GEO,
comprenez que les moteurs IA privilégient souvent le contenu le plus clair et le mieux structuré,
indépendamment du classement SEO traditionnel.
En respectant ces bonnes pratiques, on construit un guide de prompt engineering robuste et
didactique, adaptable en formation interne. Les exemples de prompts ci-dessus peuvent servir de
canevas réutilisables, à personnaliser selon l’objectif (article informatif, fiche produit, navigation, etc.).
Guide pratique : Prompt Engineering SEO/GEO – Bonnes pratiques
1. Respecter les limites techniques des LLMs
Objectif : éviter que le prompt dépasse la capacité maximale du modèle.
| Modèle | Fenêtre maximale | Remarques techniques |
|---|---|---|
| GPT‑4.1 | ~1 million de tokens | Gère des documents très longs et structurés |
| Claude 3 | ~200 000 tokens | Idéal pour les prompts complexes et multi-étapes |
| Gemini 1.5 Pro | >1 million de tokens | Excellente capacité de traitement en contexte étendu |
Recommandations :
- Fractionner les documents avec du “chunking” (découpage logique en blocs)
- Utiliser des outils RAG (LangChain, LlamaIndex) pour une injection dynamique de contexte
2. Éviter l’ambiguïté dans le prompt
Objectif : réduire les hallucinations et améliorer la cohérence des réponses.
Bonnes pratiques :
- Préciser le rôle : “Tu es un expert SEO GEO”
- Définir la tâche : “Rédige une fiche optimisée pour un avocat pénaliste à Paris 8”
- Indiquer le format : “En HTML avec JSON-LD et structure FAQ”
Exemple de prompt clair :
Tu es un consultant SEO GEO expert. Génére une fiche locale pour un avocat pénaliste à Paris 8 avec un balisage LocalBusiness JSON-LD, des FAQ optimisées IA, et une structure HTML lisible par les moteurs AI. Structure le contenu pour Perplexity et ChatGPT.
3. Structurer pour les moteurs IA
Objectif : rendre le contenu exploitable par les LLM et moteurs génératifs.
Formats recommandés :
- Listes ordonnées ou non ordonnées
- Blocs Questions/Réponses (FAQ)
- Données structurées JSON-LD
- Titres hiérarchisés (H1, H2, H3…)
4. Limiter l’hallucination via ancrage (RAG)
Objectif : améliorer la factualité et la fiabilité des réponses générées.
Techniques :
- Insérer des extraits documentaires fiables dans le prompt
- Intégrer des données chiffrées et vérifiables
- Inclure les sources ou documents de référence dans le prompt
Voici un extrait de fiche LocalBusiness (copié de l’annuaire officiel) : [JSON]. Utilise ce contenu pour générer une réponse optimisée pour ChatGPT.
5. Tester et itérer systématiquement
Objectif : identifier la meilleure formulation et le modèle le plus adapté.
Méthodologie :
- Tester le même prompt sur plusieurs modèles (GPT, Claude, Gemini)
- Réajuster le ton, la structure ou les consignes en fonction du résultat
- Utiliser des outils spécialisés :
- Promptfoo (tests A/B)
- OpenPromptStudio (tests collaboratifs multi-modèles)
6. Multilinguisme et adaptation GEO locale
Objectif : garantir une pertinence SEO locale dans plusieurs langues.
Recommandations :
- Traduire manuellement ou via DeepL avec relecture humaine
- Adapter les termes de recherche (juridiction locale, professions, quartiers)
- Structurer les balises JSON-LD avec les champs
areaServedetavailableLanguage
Json :
“areaServed”: “Madrid”,
“availableLanguage”: “es”
🛠️ Prompt Engineering SEO/GEO – Bonnes pratiques
Un prompt efficace est structuré, orienté objectif, et formaté pour une lisibilité parfaite par les LLMs. Voici les fondamentaux du prompt engineering dans un style inspiré des jeux rétro-futuristes des années 1970 !
🔍 Structure idéale d’un prompt
- Consigne explicite : rôle du modèle, style, format
- Contexte clair : cible, thématique, objectif
- Données d’entrée : texte, tableau, source
- Sortie attendue : HTML, JSON-LD, liste, etc.
⚙️ Techniques avancées
- Zero-shot / Few-shot : Sans ou avec exemples pour guider
- Chain-of-thought : Raisonnement étape par étape
- Itération : Test, ajustement, affinement
💾 Optimisation pour modèles IA
- GPT-4.1 : Jusqu’à 1M tokens – idéal pour prompts longs
- Claude 3 : Contexte large, moins d’erreurs, très structuré
- Gemini : Parfait pour SEO/Knowledge Graph, multimodal
- RAG & Embeddings : Pour augmenter la précision
🧠 Structuration SEO-friendly
- Formater en FAQ ou liste à puces
- Utiliser balises HTML et JSON-LD
- Aligner le contenu sur l’intention (info, transac, nav)
- Appliquer E-E-A-T : statistiques, sources, ton expert
🚀 Exemples de canevas prompts
- Informative : Blog avec FAQ + sources citées
- Transactionnel : Fiche produit persuasive avec CTA
- Navigationnel : Itinéraire utilisateur structuré
📊 Tester et itérer
- Utiliser Promptfoo, OpenPromptStudio pour A/B
- Adapter à GPT, Claude, Gemini selon le cas
- Fractionner long contenu (>100k tokens)
🌍 Localisation & multilingue
- Traduire avec DeepL, adapter JSON-LD
- areaServed et availableLanguage pour le GEO